LF(Ladle furnace)炉即钢包精炼炉是钢铁冶炼中二次精炼的关键设备,对于提高钢材质量和企业生产效率有重要作用。作为LF炉精炼技术的核心步骤,合金化操作不仅需要精确控制钢水中的合金元素含量达到标准,还需要控制杂质元素含量在标准范围内。按照最小成本添加物料,更精确的控制钢水成分含量,有助于提高钢铁企业的生产效率,降低企业生产成本。本文以某钢铁企业LF炉加料系统为研究背景,结合实际冶炼数据和生产工艺,分析LF精炼过程中合金化操作问题的重点、难点,设计了一款LF炉合金加料模型。首先,本文利用极限学习机(Extreme Learning Machine,ELM)算法建立合金元素收得率预估模型,并将该模型与通过BP算法建立的模型作对比实验,结果证明ELM算法建立模型的预估结果更契合期望结果,预估效果更优。但随着提供的样本数据量减少,该模型的预估效果出现较大波动,模型稳定性降低。为了优化模型,本文在自适应遗传算法(AGA)基础上,改进了算法的交叉操作和变异操作,改进后AAGA算法可以根据种群进化中较优个体的差异度,动态调整算法的交叉概率和变异概率,避免算法早熟.为了验证算法改进效果,本课题首先使用AGA算法分别优化BP模型和ELM模型,再使用AAGA算法优化ELM模型,对比多个模型的实验结果。实验结果表明,AAGA-EILM元素收得率预测模型预估精确度最高,同时模型稳定性最好。然后,本文采用线性规划方法,结合AAGA-ELM模型,建立了基于最小成本的LF炉合金加料模型,该模型用于精确控制钢水中的合金元素含量,同时控制杂质元素含量不超标,并使加料成本最小。最后,本文将LF炉合金加料模型应用到企业实际生产中,在现有的LF二级控制系统中嵌入合金加料子模块,该模块能够在实际生产中实现合金化操作。